LatticeNet：基于置换晶格的快速时空点云分割
计算机视觉与模式识别
2021-08-21 v1 机器学习
摘要
深度卷积神经网络 (CNNs) 在图像语义分割任务中表现出卓越性能。由于巨大的内存需求以及缺乏结构化数据，将相同方法应用于 3D 数据仍存在挑战。在此，我们提出 LatticeNet，一种以原始点云为输入的 3D 语义分割新方法。PointNet 描述局部几何，我们将其嵌入稀疏置换晶格中。该晶格允许快速卷积，同时保持较低内存占用。此外，我们引入 DeformSlice，一种新颖的、学习得到的数据相关插值方法，用于将晶格特征投影回点云。我们在多个数据集上展示了 3D 分割结果，我们的方法达到了最先进的性能。我们还扩展并评估了我们的网络在实例与动态目标分割上的表现。
引用
@article{arxiv.2108.03917,
title = {LatticeNet: Fast Spatio-Temporal Point Cloud Segmentation Using Permutohedral Lattices},
author = {Radu Alexandru Rosu and Peer Schütt and Jan Quenzel and Sven Behnke},
journal= {arXiv preprint arXiv:2108.03917},
year = {2021}
}
备注
arXiv admin note: substantial text overlap with arXiv:1912.05905